سازمان‌ها و ادارات یکی از ارکان اصلی در جامعه انسانی هستند و مدیریت و رهبری در سازمان از مهمترین شاخصهای ادامه حیات و یا نابودی آنها می‌باشد. با توجه به اهمیت رقابت در سازمانها، مدیران باید بتوانند مناسب ترین شیوه را برای سازمان خود برگزینند تا زودتر از رقیبان به اهداف برسند . سوالی که در اینجا مطرح می‌شود این است که آیا یادگیری تجربی تاثیری در مدیریت و عملکرد سازمانها دارد؟ یکی از روش‌های موثر در یادگیری تجربی استفاده از شبیه سازی می‌باشد.زیرا شبیه سازی امکان بررسی راه‌های مختلف و نتایج آنها را با صرف کمترین هزینه، ریسک و زمان در اختیار کاربران قرار می‌دهد.شبیه سازی شطرنج به عنوان یکی از مستقیم ترین روشها برای استفاده از مدل یادگیری تجربی است، زیرا شبیه سازی شطرنج فرصت‌هایی را برای کاربرد تعدادی از ابزارهای مدیریت فراهم می‌سازد.در این پژوهش، برای بکارگیری مبانی و متد شطرنج و بررسی تاثیر آن بر روی سازمان و عملکردش، با در نظر گرفتن اهداف و منابع سازمان‌های بزرگ (منابع انسانی) و موانع موجود در رسیدن به این اهداف و قرار دادن این پارامترها در قالب مهره‌های شطرنج (با توجه به اهمیت پارامترهای سازمانی )بازی‌های مختلفی را طراحی کرده و پس از پیاده سازی این سناریو‌ها(بازیها) در نرم افزار شبیه ساز Arena، مناسب ترین سناریو برای رسیدن به اهداف سازمانی استخراج و برای سازمان پیاده سازی می‌شود.در نهایت مناسب ترین سناریو، سناریویی با بیشترین امتیاز و کمترین تعداد حرکات در بازی شطرنج می‌باشد. Manuscript profile

Assigning facilities to locations is one of the important problems, which significantly is influence in transportation cost reduction. In this study, we solve quadratic assignment problem (QAP), using a meta-heuristic algorithm with deterministic tasks and equality in facilities and location number. It should be noted that any facility must be assign to only one location. In this paper, first of all, we have been described exact methods and heuristics, which are able to solve QAP; then we have been applied a meta-heuristic algorithm for it. QAP is a difficult problem and is in NP-hard class, so we have been used honey bee mating optimization (HBMO) algorithm to solve it.This method is new and have been applied and improved NP-hard problems. It’s a hybrid algorithm from Honey-Bee Mating system, simulated annealing and genetic algorithm. Manuscript profile